上一篇讲了轨迹优化的框架和评价标准。今天深入一个具体问题：怎么用数学方法让运动"丝滑"。答案是——最小化Jerk。

Jerk是加速度的时间导数（jerk = da/dt = d³x/dt³）。人类的体感对jerk非常敏感——你坐车时觉得"顿挫"，不是加速度大，而是加速度变化快（jerk大）。老司机和新手的区别就在这里：老司机刹车时缓慢加力，jerk小；新手一脚踩死，jerk大，全车人前仰后合。

自动驾驶和机器人领域有个共识：最小化jerk的轨迹是人类最舒适的运动方式。这个结论有实验支撑——MIT的Flash和Hogan在1985年就证明了人类手臂的点到点运动近似于最小jerk轨迹。

给个直观对比：电梯启动时如果加速度瞬间从0跳到1m/s²（jerk无穷大），你会觉得被猛推一下。好的电梯控制是加速度缓慢增加到1m/s²（比如用0.5秒完成），jerk控制在2m/s³以内——你几乎感觉不到电梯在动。这就是jerk最小化的物理意义。

一、最小化Jerk的数学推导

问题定义：给定起点位置x0和终点位置xf，以及起止点的速度和加速度（通常为0），找一条轨迹x(t)，使得总jerk的平方积分最小。

# 最小化Jerk的优化问题
# minimize: integral(jerk^2, dt)  from t=0 to t=T
# 约束: x(0)=x0, x(T)=xf
#       v(0)=v0, v(T)=vf
#       a(0)=a0, a(T)=af

这个问题的解析解是五次多项式：x(t) = a0 + a1t + a2t² + a3t³ + a4t⁴ + a5*t⁵。

为什么是五次？因为jerk是x的三阶导数，jerk²的积分是六次多项式的积分。要最小化六次多项式的积分，x(t)需要是五次多项式——六次以上的项只会增大积分值。

六个系数a0-a5由六个边界条件唯一确定：起点和终点的位置、速度、加速度各提供一个方程。解一个6×6的线性方程组就完事了——不需要迭代优化，计算量极小。

举个具体例子：起点x=0，终点x=10m，时间T=2s，起止速度和加速度都为0。解出来的系数：a0=0, a1=0, a2=0, a3=50, a4=-75, a5=30（归一化后的系数）。最大速度出现在t=1s，值为5m/s；最大加速度出现在t=0.5s和t=1.5s，值为7.5m/s²。整条轨迹的jerk是一个常数——这就是最小化jerk的特性，jerk恒定。

对比一下梯形速度规划：加速阶段加速度恒定（jerk=0），但在加速到匀速的切换点加速度突变（jerk=无穷大）。最小化jerk没有这个问题——加速度从零平滑增加到峰值再平滑减小到零。

二、多段最小化Jerk轨迹

单段五次多项式只能处理起点到终点的简单运动。实际轨迹通常有多个waypoint——需要多段五次多项式拼接。

拼接的关键是连续性条件：相邻两段在连接点处的位置、速度、加速度必须连续。假设有N个waypoint，就有N-1段轨迹，每段6个系数，总共6(N-1)个未知数。

约束条件包括：

• 每段的起点和终点位置（2(N-1)个）
• 连接点处速度连续（N-2个）
• 连接点处加速度连续（N-2个）
• 起止点的速度和加速度（4个）

# 多段最小化Jerk的矩阵求解
# 每段: x_i(t) = a0 + a1*t + a2*t^2 + a3*t^3 + a4*t^4 + a5*t^5
# 把所有段的系数排成向量 c = [c1, c2, ..., c_{N-1}]
# 约束写成 Ac = b 的形式
# 目标函数写成 c^T Q c 的形式
# 求解: 带等式约束的二次规划
# min c^T Q c  s.t. Ac = b

这个二次规划问题有闭式解——用KKT条件或者直接消元法。计算量与waypoint数量成正比，通常N<50，求解时间在微秒级别。

三、工程实现中的细节

实际使用最小化Jerk轨迹时，有几个细节需要注意。

时间分配：每段轨迹的时间Ti怎么确定？这是个关键问题。如果Ti太小，速度和加速度可能超过物理限制；如果Ti太大，执行时间太长。工程上通常用启发式方法：Ti与路径长度成正比，比例系数由最大速度决定。比如某段路径长度5m，最大速度2m/s，则Ti至少2.5s。再乘以安全系数1.2-1.5，留出加速度峰值的余量。

有一个更精确的时间分配方法——Time-Optimal Path Parameterization（TOPP）。TOPP在给定路径的前提下，算出满足速度/加速度约束的最短时间分配。后面第229篇会详细讲。

速度和加速度约束：最小化Jerk的解析解不保证速度和加速度在物理限制以内。算出来的轨迹可能在中间段超速。解决方案：算完轨迹后检查速度/加速度峰值，如果超限就增大时间Ti重新计算。这个过程通常迭代2-3次就收敛。

多维解耦：对于二维或三维运动，每个维度独立做最小化Jerk。x方向、y方向、z方向各一条五次多项式，共用同一套时间分配。这种解耦方法在无人机轨迹规划中用得最多——CMU和ETH Zurich的无人机系统都是这么做的。

# 多维最小化Jerk
def min_jerk_trajectory_2d(waypoints, times):
    x_traj = min_jerk_1d([wp[0] for wp in waypoints], times)
    y_traj = min_jerk_1d([wp[1] for wp in waypoints], times)
    return Trajectory2D(x_traj, y_traj)

四、最小化Jerk vs 最小化Snap

最小化Jerk是五次多项式，最小化Snap（加加速度的导数，d⁴x/dt⁴）是七次多项式。哪个更好？

最小化Snap的轨迹比最小化Jerk更平滑——加速度变化更缓慢。但代价是计算更复杂（七次多项式，8个系数），且中间点的速度/加速度峰值可能更大。

经验法则：无人机用最小化Snap（四旋翼对加速度变化敏感），地面车辆和机械臂用最小化Jerk。Penn的Kumar实验室和ETH的Scaramuzza团队在无人机轨迹规划方面做了大量工作，他们的开源代码值得参考。

说白了，最小化Snap和最小化Jerk的本质区别在于：Jerk最小化让加速度变化均匀（jerk恒定），Snap最小化让加速度的变化更缓慢（snap恒定）。如果你的执行器对加速度变化率敏感（比如电机力矩带宽有限），用Snap最小化更好。

五、面试实战

Q：为什么最小化Jerk的轨迹是五次多项式？ A：Jerk是位置的三阶导数。最小化jerk²的积分，变分法推导出最优轨迹的六阶导数为零——所以是五次多项式。六次以上的系数都为零。

Q：多段最小化Jerk怎么保证连续性？ A：在连接点处强制位置、速度、加速度连续。这转化为等式约束，和最小化Jerk的目标函数一起构成带等式约束的二次规划问题，有闭式解。

Q：最小化Jerk轨迹的缺点是什么？ A：两个主要问题。一是不保证速度/加速度在物理限制内——需要后处理检查。二是对时间分配敏感——时间分配不好，轨迹质量会很差。工程上通常用迭代方式调整时间分配直到满足约束。

Q：你在项目中用过最小化Jerk吗？ A：用过。做机械臂的点到点运动规划时用的最小化Jerk。给定起止关节角和零速度零加速度边界条件，解五次多项式得到关节角的时间序列。轨迹平滑，关节力矩变化小，执行时间约2-3秒。比梯形速度规划好得多——梯形规划在加减速切换点有jerk跳变。

小结

最小化Jerk轨迹是五次多项式，由起止点的位置、速度、加速度六个边界条件唯一确定。多段拼接时加连续性约束，转化为二次规划问题求解。计算快（微秒级），轨迹平滑，是机器人和无人机轨迹规划的基础方法。

面试中如果被问到最小化Jerk，核心说清楚：五次多项式的原因、多段拼接的连续性处理、以及速度/加速度约束的后处理方法。

下一篇讲B样条曲线——用参数化方式表示平滑轨迹的另一种方法。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 

上一篇：第226篇 轨迹优化基础——什么是"好的"轨迹

下一篇预告：第228篇 B样条曲线——平滑轨迹的参数化表示

有任何问题欢迎评论区留言，我会尽量回复。